基于物理信息网络的开关柜三维温升场域重建与缺陷热源反演OA

分析和预测开关柜热点信息对于提高开关柜运行寿命、保障开关柜稳定运行具有重要意义。但是已有的通过数据推理的方式可解释性弱、数据依赖性高,通过仿真解析的方式求解时间长、实际验证性差。针对上述问题,该文提出一种融合上述两种策略并且可同时进行温升正反向求解的方法,首先,基于数学物理方法与机器学习技术,对开关柜内热传导波动方程进行弱形式处理、泛函变分分析;然后,将其嵌入深度网络,构建融合数据与先验知识的物理信息网络(physics-informed neural network,PINN),利用热量产生、传导的客观规律进行误差分析和计算,实现开关柜热场分布推演和故障热源反演。在开关柜三维热场分布正向求解方面,提出双层物理信息网络(dual-physics information neural network,DPINN)模型,对于PINN整体最大温升误差由6.8%下降到0.8%;在未知热源反演方面,提出未知系数随网络同步迭代方法,双参数热源参数最大误差在2.5%以内。结果表明,所提基于DPINN的网络模型在开关柜三维温升分布正反问题求解具有优势,对于感知、分析、诊断开关柜运行状态温升特性具有一定意义。